Salta para o conteĆŗdo

Ultralytics IntegraƧƵes

Bem-vindo Ć  pĆ”gina de integraƧƵes do Ultralytics ! Esta pĆ”gina fornece uma visĆ£o geral das nossas parcerias com vĆ”rias ferramentas e plataformas, concebidas para simplificar os teus fluxos de trabalho de aprendizagem automĆ”tica, melhorar a gestĆ£o de conjuntos de dados, simplificar a formaĆ§Ć£o de modelos e facilitar a implementaĆ§Ć£o eficiente.

Ultralytics YOLO ecossistema e integraƧƵes

IntegraƧƵes de conjuntos de dados

  • Roboflow: Facilita a gestĆ£o de conjuntos de dados sem descontinuidades para modelos Ultralytics , oferecendo capacidades robustas de anotaĆ§Ć£o, prĆ©-processamento e aumento.

IntegraƧƵes de formaĆ§Ć£o

  • ClearML: Automatiza os teus fluxos de trabalho de Ultralytics ML, monitoriza experiĆŖncias e promove a colaboraĆ§Ć£o entre equipas.

  • Comet ML: Melhora o desenvolvimento do teu modelo com Ultralytics , acompanhando, comparando e optimizando as tuas experiĆŖncias de aprendizagem automĆ”tica.

  • DVC: Implementa o controlo de versƵes para os teus projectos de aprendizagem automĆ”tica Ultralytics , sincronizando dados, cĆ³digo e modelos de forma eficaz.

  • MLFlow: Simplifica todo o ciclo de vida de ML dos modelos Ultralytics , desde a experimentaĆ§Ć£o e reprodutibilidade atĆ© Ć  implementaĆ§Ć£o.

  • Ultralytics HUB: Acede e contribui para uma comunidade de modelos Ultralytics prĆ©-treinados.

  • Neptune: MantĆ©m um registo completo das tuas experiĆŖncias de ML com Ultralytics neste armazenamento de metadados concebido para MLOps.

  • Ray Tune: Optimiza os hiperparĆ¢metros dos teus modelos Ultralytics em qualquer escala.

  • TensorBoard: Visualiza os teus Ultralytics fluxos de trabalho de ML, monitoriza as mĆ©tricas do modelo e promove a colaboraĆ§Ć£o da equipa.

  • Weights & Biases (W&B): Monitoriza experiĆŖncias, visualiza mĆ©tricas e promove a reprodutibilidade e a colaboraĆ§Ć£o em projectos Ultralytics .

  • Amazon SageMaker: Aproveita o Amazon SageMaker para criar, treinar e implementar eficientemente modelos Ultralytics , fornecendo uma plataforma tudo-em-um para o ciclo de vida do ML.

IntegraƧƵes de implantaĆ§Ć£o

  • Neural Magic: Aproveita o Quantization Aware Training (QAT) e as tĆ©cnicas de poda para otimizar os modelos Ultralytics para um desempenho superior e um tamanho mais reduzido.

  • Gradio šŸš€ NOVO: Implementa modelos Ultralytics com o Gradio para demonstraƧƵes interactivas e em tempo real de deteĆ§Ć£o de objectos.

  • OpenVINO: Conjunto de ferramentas da Intel para otimizar e implementar modelos de visĆ£o computacional de forma eficiente em vĆ”rias plataformas Intel CPU e GPU.

  • ONNX: Um formato de cĆ³digo aberto criado pela Microsoft para facilitar a transferĆŖncia de modelos de IA entre vĆ”rias estruturas, aumentando a versatilidade e a flexibilidade de implementaĆ§Ć£o dos modelos Ultralytics .

  • TensorRT: Desenvolvido pela NVIDIA, esta estrutura de inferĆŖncia de aprendizagem profunda de alto desempenho e formato de modelo optimiza os modelos de IA para uma velocidade e eficiĆŖncia aceleradas nas GPUs NVIDIA, garantindo uma implementaĆ§Ć£o simplificada.

  • CoreML: CoreML, desenvolvido pela Apple, Ć© uma estrutura concebida para integrar eficazmente modelos de aprendizagem automĆ”tica em aplicaƧƵes iOS, macOS, watchOS e tvOS, utilizando o hardware da Apple para uma implementaĆ§Ć£o eficaz e segura dos modelos.

Formatos de exportaĆ§Ć£o

TambĆ©m suportamos uma variedade de formatos de exportaĆ§Ć£o de modelos para implementaĆ§Ć£o em diferentes ambientes. VĆŖ aqui os formatos disponĆ­veis:

Formato format Argumenta Modelo Metadados Argumentos
PyTorch - yolov8n.pt āœ… -
TorchScript torchscript yolov8n.torchscript āœ… imgsz, optimize
ONNX onnx yolov8n.onnx āœ… imgsz, half, dynamic, simplify, opset
OpenVINO openvino yolov8n_openvino_model/ āœ… imgsz, half, int8
TensorRT engine yolov8n.engine āœ… imgsz, half, dynamic, simplify, workspace
CoreML coreml yolov8n.mlpackage āœ… imgsz, half, int8, nms
TF SavedModel saved_model yolov8n_saved_model/ āœ… imgsz, keras, int8
TF GraphDef pb yolov8n.pb āŒ imgsz
TF Leve tflite yolov8n.tflite āœ… imgsz, half, int8
TF Borda TPU edgetpu yolov8n_edgetpu.tflite āœ… imgsz
TF.js tfjs yolov8n_web_model/ āœ… imgsz, half, int8
PaddlePaddle paddle yolov8n_paddle_model/ āœ… imgsz
NCNN ncnn yolov8n_ncnn_model/ āœ… imgsz, half

Explora as ligaƧƵes para saberes mais sobre cada integraĆ§Ć£o e como tirar o mĆ”ximo partido delas com Ultralytics.

Contribui para as nossas integraƧƵes

Estamos sempre entusiasmados por ver como a comunidade integra Ultralytics YOLO com outras tecnologias, ferramentas e plataformas! Se tiveres integrado com ĆŖxito o YOLO com um novo sistema ou se tiveres conhecimentos valiosos para partilhar, considera contribuir para os nossos documentos sobre integraƧƵes.

Ao escrever um guia ou tutorial, podes ajudar a expandir a nossa documentaĆ§Ć£o e fornecer exemplos reais que beneficiam a comunidade. Ɖ uma excelente maneira de contribuir para o crescente ecossistema em torno de Ultralytics YOLO .

Para contribuir, por favor consulta o nosso Guia de ContribuiĆ§Ć£o para obteres instruƧƵes sobre como submeter um Pull Request (PR) šŸ› ļø. Aguardamos ansiosamente as tuas contribuiƧƵes!

Vamos colaborar para tornar o ecossistema Ultralytics YOLO mais expansivo e rico em funcionalidades šŸ™!



Criado em 2023-11-12, Atualizado em 2024-02-12
Autores: glenn-jocher (9), abirami-vina (4)

ComentƔrios